fix typo & assignment #2

assignments2016/assignment1.md

@@ -51,7 +51,7 @@ cd cs231n/datasets
 **IPython 시작:**
 CIFAR-10 data를 받았다면, `assignment1` 폴더의 IPython notebook server를 시작할 수 있습니다. IPython에 친숙하지 않다면 작성해둔 [IPython tutorial](/ipython-tutorial)를 읽어보는 것을 권장합니다.
 
-**NOTE:** OSX에서 virtual environment를 실행하면, matplotlib 에러가 날 수 있습니다([이 문제에 관한 이슈](http://matplotlib.org/faq/virtualenv_faq.html)).  IPython 서버를 `assignment1`폴더의 `start_ipython_osx.sh`로 실행하면 이 문제를 피해갈 수 있습니다; 이 스크립트는 virtual environment가 `.env`라고 되어있다고 가정하고 작성되었습니다.로
+**NOTE:** OSX에서 virtual environment를 실행하면, matplotlib 에러가 날 수 있습니다([이 문제에 관한 이슈](http://matplotlib.org/faq/virtualenv_faq.html)).  IPython 서버를 `assignment1`폴더의 `start_ipython_osx.sh`로 실행하면 이 문제를 피해갈 수 있습니다; 이 스크립트는 virtual environment가 `.env`라고 되어있다고 가정하고 작성되었습니다.
 
 ### 과제 제출:
 로컬 환경이나 Terminal에 상관없이, 이번 숙제를 마쳤다면 `collectSubmission.sh`스크립트를 실행하세요. 이 스크립트는 `assignment1.zip`파일을 만듭니다. 이 파일을 [the coursework](https://coursework.stanford.edu/portal/site/W16-CS-231N-01/)에 업로드하세요.

assignments2016/assignment2.md

@@ -4,131 +4,74 @@ mathjax: true
 permalink: assignments2016/assignment2/
 ---
 
-In this assignment you will practice writing backpropagation code, and training
-Neural Networks and Convolutional Neural Networks. The goals of this assignment
-are as follows:
-
-- understand **Neural Networks** and how they are arranged in layered
-  architectures
-- understand and be able to implement (vectorized) **backpropagation**
-- implement various **update rules** used to optimize Neural Networks
-- implement **batch normalization** for training deep networks
-- implement **dropout** to regularize networks
-- effectively **cross-validate** and find the best hyperparameters for Neural
-  Network architecture
-- understand the architecture of **Convolutional Neural Networks** and train
-  gain experience with training these models on data
-
-## Setup
-You can work on the assignment in one of two ways: locally on your own machine,
-or on a virtual machine through Terminal.com. 
-
-### Working in the cloud on Terminal
-
-Terminal has created a separate subdomain to serve our class,
-[www.stanfordterminalcloud.com](https://www.stanfordterminalcloud.com). Register
-your account there. The Assignment 2 snapshot can then be found [HERE](https://www.stanfordterminalcloud.com/snapshot/6c95ca2c9866a962964ede3ea5813d4c2410ba48d92cf8d11a93fbb13e08b76a). If you are
-registered in the class you can contact the TA (see Piazza for more information)
-to request Terminal credits for use on the assignment. Once you boot up the
-snapshot everything will be installed for you, and you will be ready to start on
-your assignment right away. We have written a small tutorial on Terminal
-[here](/terminal-tutorial).
-
-### Working locally
-Get the code as a zip file
-[here](http://vision.stanford.edu/teaching/cs231n/winter1516_assignment2.zip).
-As for the dependencies:
-
-**[Option 1] Use Anaconda:**
-The preferred approach for installing all the assignment dependencies is to use
-[Anaconda](https://www.continuum.io/downloads), which is a Python distribution
-that includes many of the most popular Python packages for science, math,
-engineering and data analysis. Once you install it you can skip all mentions of
-requirements and you are ready to go directly to working on the assignment.
-
-**[Option 2] Manual install, virtual environment:**
-If you do not want to use Anaconda and want to go with a more manual and risky
-installation route you will likely want to create a
-[virtual environment](http://docs.python-guide.org/en/latest/dev/virtualenvs/)
-for the project. If you choose not to use a virtual environment, it is up to you
-to make sure that all dependencies for the code are installed globally on your
-machine. To set up a virtual environment, run the following:
+이번 숙제에서 여러분은 backpropagation 코드를 작성하는 법을 연습하고, 기본 형태의 뉴럴 네트워크(신경망)와 컨볼루션 신경망을 학습해볼 것입니다. 이번 숙제의 목표는 다음과 같습니다.
+
+- **뉴럴 네트워크(신경망)** 에 대해 이해하고 레이어가 있는 구조가 어떻게 배치되어 있는지 이해하기
+- **backpropagation** 에 대해 이해하고 (벡터화된) 코드로 구현하기
+- 뉴럴 네트워크를 학습시키는데 필요한 여러 가지 **업데이트 규칙** 구현하기
+- 딥 뉴럴 네트워크를 학습하는데 필요한 **batch normalization** 구현하기
+- 네트워크를 regularization 할 때 필요한 **dropout** 구현하기
+- 효과적인 **교차 검증(cross validation)** 을 통해 뉴럴 네트워크 구조에서 사용되는 여러 가지 hyperparameter 들의 최적값 찾기
+- **컨볼루션 신경망** 구조에 대해 이해하고 이 모델들을 실제 데이터에 학습해보는 것을 경험하기
+
+## 설치
+여러분은 다음 두가지 방법으로 숙제를 시작할 수 있습니다: Terminal.com을 이용한 가상 환경 또는 로컬 환경.
+
+### Terminal에서의 가상 환경.
+Terminal에는 우리의 수업을 위한 서브도메인이 만들어져 있습니다. [www.stanfordterminalcloud.com](https://www.stanfordterminalcloud.com) 계정을 등록하세요. 이번 숙제에 대한 스냅샷은 [여기](https://www.stanfordterminalcloud.com/snapshot/6c95ca2c9866a962964ede3ea5813d4c2410ba48d92cf8d11a93fbb13e08b76a)에서 찾아볼 수 있습니다. 만약 수업에 등록되었다면, TA(see Piazza for more information)에게 이 수업을 위한 Terminal 예산을 요구할 수 있습니다. 처음 스냅샷을 실행시키면, 수업을 위한 모든 것이 설치되어 있어서 바로 숙제를 시작할 수 있습니다. [여기](/terminal-tutorial)에 Terminal을 위한 간단한 튜토리얼을 작성해 뒀습니다.
+
+### 로컬 환경
+[여기](http://vision.stanford.edu/teaching/cs231n/winter1516_assignment2.zip)에서 압축파일을 다운받고 다음을 따르세요.
+
+**[선택 1] Use Anaconda:**
+과학, 수학, 공학, 데이터 분석을 위한 대부분의 주요 패키지들을 담고있는 [Anaconda](https://www.continuum.io/downloads)를 사용하여 설치하는 것이 흔히 사용하는 방법입니다. 설치가 다 되면 모든 요구사항(dependency)을 넘기고 바로 숙제를 시작해도 좋습니다.
+
+**[선택 2] 수동 설치, virtual environment:**
+만약 Anaconda 대신 좀 더 일반적이면서 까다로운 방법을 택하고 싶다면 이번 과제를 위한 [virtual environment](http://docs.python-guide.org/en/latest/dev/virtualenvs/)를 만들 수 있습니다. 만약 virtual environment를 사용하지 않는다면 모든 코드가 컴퓨터에 전역적으로 종속되게 설치됩니다. Virtual environment의 설정은 아래를 참조하세요.
 
 ~~~bash
-cd assignment2
-sudo pip install virtualenv      # This may already be installed
-virtualenv .env                  # Create a virtual environment
-source .env/bin/activate         # Activate the virtual environment
-pip install -r requirements.txt  # Install dependencies
+cd assignment1
+sudo pip install virtualenv      # 아마 먼저 설치되어 있을 겁니다.
+virtualenv .env                  # virtual environment를 만듭니다.
+source .env/bin/activate         # virtual environment를 활성화 합니다.
+pip install -r requirements.txt  # dependencies 설치합니다.
 # Work on the assignment for a while ...
-deactivate                       # Exit the virtual environment
+deactivate                       # virtual environment를 종료합니다.
 ~~~
 
-**Download data:**
-Once you have the starter code, you will need to download the CIFAR-10 dataset.
-Run the following from the `assignment2` directory:
+**데이터셋 다운로드:**
+먼저 숙제를 시작하기전에 CIFAR-10 dataset를 다운로드해야 합니다. 아래 코드를 `assignment2` 폴더에서 실행하세요:
 
 ~~~bash
 cd cs231n/datasets
 ./get_datasets.sh
 ~~~
 
-**Compile the Cython extension:** Convolutional Neural Networks require a very
-efficient implementation. We have implemented of the functionality using
-[Cython](http://cython.org/); you will need to compile the Cython extension
-before you can run the code. From the `cs231n` directory, run the following
-command:
+**Cython extension 컴파일하기:** 컨볼루션 신경망은 매우 효율적인 구현을 필요로 합니다. 이 숙제를 위해서 [Cython](http://cython.org/)을 활용하여 여러 기능들을 구현해 놓았는데, 이를 위해 코드를 돌리기 전에 Cython extension을 컴파일 해야 합니다. `cs231n` 디렉토리에서 아래 명령어를 실행하세요:
 
 ~~~bash
 python setup.py build_ext --inplace
 ~~~
 
-**Start IPython:**
-After you have the CIFAR-10 data, you should start the IPython notebook server
-from the `assignment2` directory. If you are unfamiliar with IPython, you should 
-read our [IPython tutorial](/ipython-tutorial).
-
-**NOTE:** If you are working in a virtual environment on OSX, you may encounter
-errors with matplotlib due to the
-[issues described here](http://matplotlib.org/faq/virtualenv_faq.html).
-You can work around this issue by starting the IPython server using the
-`start_ipython_osx.sh` script from the `assignment2` directory; the script
-assumes that your virtual environment is named `.env`.
+**IPython 시작:**
+CIFAR-10 data를 받았다면, `assignment1` 폴더의 IPython notebook server를 시작할 수 있습니다. IPython에 친숙하지 않다면 작성해둔 [IPython tutorial](/ipython-tutorial)를 읽어보는 것을 권장합니다.
 
+**NOTE:** OSX에서 virtual environment를 실행하면, matplotlib 에러가 날 수 있습니다([이 문제에 관한 이슈](http://matplotlib.org/faq/virtualenv_faq.html)).  IPython 서버를 `assignment2`폴더의 `start_ipython_osx.sh`로 실행하면 이 문제를 피해갈 수 있습니다; 이 스크립트는 virtual environment가 `.env`라고 되어있다고 가정하고 작성되었습니다.
 
-### Submitting your work:
-Whether you work on the assignment locally or using Terminal, once you are done
-working run the `collectSubmission.sh` script; this will produce a file called
-`assignment2.zip`. Upload this file under the Assignments tab on
-[the coursework](https://coursework.stanford.edu/portal/site/W15-CS-231N-01/)
-page for the course.
+### 과제 제출:
+로컬 환경이나 Terminal에 상관없이, 이번 숙제를 마쳤다면 `collectSubmission.sh`스크립트를 실행하세요. 이 스크립트는 `assignment2.zip`파일을 만듭니다. 이 파일을 [the coursework](https://coursework.stanford.edu/portal/site/W16-CS-231N-01/)에 업로드하세요.
 
-
-### Q1: Fully-connected Neural Network (30 points)
-The IPython notebook `FullyConnectedNets.ipynb` will introduce you to our
-modular layer design, and then use those layers to implement fully-connected
-networks of arbitrary depth. To optimize these models you will implement several
-popular update rules.
+### Q1: Fully-connected 뉴럴 네트워크 (30 points)
+`FullyConnectedNets.ipynb` IPython notebook 파일에서 모듈화된 레이어 디자인을 소개하고, 이 레이어들을 이용해서 임의의 깊이를 갖는 fully-connected 네트워크를 구현할 것입니다. 이 모델들을 최적화하기 위해서 자주 사용되는 여러 가지 업데이트 규칙들을 구현해야 할 것입니다.
 
 ### Q2: Batch Normalization (30 points)
-In the IPython notebook `BatchNormalization.ipynb` you will implement batch
-normalization, and use it to train deep fully-connected networks.
+`BatchNormalization.ipynb` IPython notebook 파일에서는 batch normalization 을 구현하고, 이를 사용하여 깊은(deep) fully-connected 네트워크를 학습할 것입니다.
 
 ### Q3: Dropout (10 points)
-The IPython notebook `Dropout.ipynb` will help you implement Dropout and explore
-its effects on model generalization.
-
-### Q4: ConvNet on CIFAR-10 (30 points)
-In the IPython Notebook `ConvolutionalNetworks.ipynb` you will implement several
-new layers that are commonly used in convolutional networks. You will train a
-(shallow) convolutional network on CIFAR-10, and it will then be up to you to
-train the best network that you can.
-
-### Q5: Do something extra! (up to +10 points)
-In the process of training your network, you should feel free to implement
-anything that you want to get better performance. You can modify the solver,
-implement additional layers, use different types of regularization, use an
-ensemble of models, or anything else that comes to mind. If you implement these
-or other ideas not covered in the assignment then you will be awarded some bonus
-points.
+`Dropout.ipynb` IPython notebook 파일에서는 Dropout을 구현하고, 이것이 모델의 일반화 성능에 어떤 영향을 미치는지 살펴볼 것입니다.
+
+### Q4: CIFAR-10 에서의 컨볼루션 신경망 (30 points)
+`ConvolutionalNetworks.ipynb` IPython notebook 파일에서는 컨볼루션 신경망에서 흔히 사용되는 여러 새로운 레이어들을 구현할 것입니다. 먼저 CIFAR-10 데이터셋에 대해 (얕은, 깊지않은, 작은 규모의) 컨볼루션 신경망을 학습하고, 이후에는 가능한 한 최선의 노력을 다해서 최고의 성능을 뽑아내보길 바랍니다.
 
+### Q5: 추가 과제: 뭔가 더 해보세요! (up to +10 points)
+네트워크를 학습하는 과정 속에서, 더 좋은 성능을 위해 필요한 것이 있다면 얼마든지 추가적으로 구현하기 바랍니다. 최적화 기법(solver)을 바꿔도 좋고, 추가적인 레이어를 구현하거나, 다른 종류의 regularization 을 사용하고나, 모델 ensemble 등 생각나는 모든 것을 시도해 보세요. 이번 숙제에서 다루지 않은 새로운 아이디어를 구현한다면 추가 점수를 받을 수 있을 것입니다.

assignments2016/assignment3.md

@@ -51,7 +51,7 @@ cd cs231n/datasets
 ./get_pretrained_model.sh
 ~~~
 
-**Compile the Cython extension:** 컨볼루션 신경망은 매우 효율적인 구현이 필요합니다. [Cython](http://cython.org/)을 사용하여 필요한 기능들을 구현해 두어서, 코드를 돌리기 전에 Cython extension을 컴파일해 주어야 합니다. `cs231n` 디렉토리에서 다음 명령어를 입력하세요.
+**Cython extension 컴파일하기:** 컨볼루션 신경망은 매우 효율적인 구현을 필요로 합니다. 이 숙제를 위해서 [Cython](http://cython.org/)을 활용하여 여러 기능들을 구현해 놓았는데, 이를 위해 코드를 돌리기 전에 Cython extension을 컴파일해 주어야 합크니다. `cs231n` 디렉토리에서 아래 명령어를 실행하세요:
 
 ~~~bash
 python setup.py build_ext --inplace